基于改进Tiny- YOLOv3 的烟雾检测算法

2021-03-06吉森荣

科学技术创新 2021年4期

吉森荣

（华北电力大学控制与计算机工程学院，北京102206）

森林火灾破坏自然环境，威胁人类安全。为避免火势蔓延失控，实现早期检测至关重要，其中烟雾检测是一种高效的预警手段。传统的烟雾检测是将手工设计的特征输入到分类器中，特征设计的过程繁琐，且模型好坏过度依赖人的先验。自AlexNet[1]在ImageNet 图像识别竞赛上夺得冠军，深度卷积神经网络获得了越来越多的关注。2018 年，Zhang 等人[2]将Faster RCNN[3]网络应用在森林火灾的烟雾检测中。2020 年，Wang 等人[4]利用SSD[5]网络与背景建模实现火灾烟雾的有效检测。然而这些方法往往难以在嵌入式设备上实现烟雾的高效定位与识别。Tiny-YOLOv3 网络为此提供了帮助，它大幅度精简YOLOv3[6]的网络结构，可实时运行于嵌入式设备，但检测精度也下降明显。为更好的平衡检测精度与实时性，本文在Tiny-YOLOv3 网络的基础上设计一种新型网络结构，将普通卷积替换为深度可分离卷积，减小模型的体积，并增加网络层数和输出通道数提升模型的精度。

1 基于改进Tiny-YOLOv3 的烟雾检测算法

1.1 原始的Tiny-YOLOv3 检测模型

Tiny-YOLOv3 的网络结构如图1 所示，输入是416 416 的烟雾图像，输出是2 种scale 的烟雾预测结果。它将7 个Conv2d 3 3 层和6 个MaxPool 2 2 层构成的卷积神经网路作为特征提取网络，采用两条支路检测烟雾目标，输出特征层大小分别为13 13 和26 26。这两个特征层经过Conv2d 1 1 处理，其中一路经Conv2d 3 3 和Conv2d 1 1 输出该层对应的预测结果，另一路接Conv2d 1 1 并通过UpSample 与对应特征层Concat（拼接），经与前一路相同处理输出该层对应的预测结果。Concat 操作可使网络学习更深层次的特征，提高检测的精度。

已训练的Tiny-YOLOv3 模型在预测烟雾时，需先将两条支路的输出Concat，但同时产生大量的相似冗余框。本文使用Soft-NMS 后处理予以消除，实现最终的烟雾目标预测。

1.2 改进后的Tiny-YOLOv3 检测模型

Mobilenet[7]中的深度可分离卷积，可以使网络模型小型化。对于大小为k 卷积核，当输入通道为M输出通道为N 时，其与标准卷积的参数量比值为：

由上式可以看出，参数量可大幅度减少。本质而言，深度可分离卷积是把标准卷积分解为逐通道卷积DW 和点卷积PW，这种分解也实现了跨通道特征的融合，可保持准确率不下降。基于这些优势。

图1 原始Tiny-YOLOv3 的网络结构

图2 改进Tiny-YOLOv3 的网络结构

本文使用深度可分离卷积替换普通卷积。同时借鉴FPN 融合不同尺度特征的思想，使用三条检测支路分别预测大中小目标。

改进Tiny-YOLOv3 的网络结构如图2 所示，输入与之前相同，输出是3 种scale 的烟雾预测结果。图中，“Conv dw”表示深度可分离卷积，“Block1”表示Conv2d 3×3 和Conv dw 3×3/2的组合模块，“Block2”表示Conv dw 3×3 和Conv2d 1×1 的组合模块，“×4”表示Block1 重复4 次，“×5”表示Block2 重复5 次。它舍弃了MaxPool 层，三条支路的输出特征大小分别为13×13、26×26 和52×52。这3 个特征层经过Block2 处理，其中一路后接Conv 2d 1×1 输出该层的预测预测结果，另一路则UpSample 操作后与对应特征层进行Concat，经Block2 和Conv 2d 1×1 后输出该层的预测结果。

Tiny-YOLOv3 在改进前后的损失函数Loss 但在预测烟雾时，改进的Tiny-YOLOv3 模型是将三条支路的输出Concat，增加了更小尺度的目标检测。对于相似冗余框，仍采用Soft-NMS消除。

2 实验结果与分析

实验使用的数据集是Zhang 等人[3]公开的"RF_dataset"，包含12620 张森林火灾的烟雾图片。Tiny-YOLOv3 在改进前后的训练设置相同。使用Adam 优化器更新训练参数，迭代周期为80 个epoch，初始学习率设置为0.001，batch_size 为6。

为验证本文算法的有效性，不仅将其与原始Tiny-YOLOv3对比，也将其与主流检测算法Faster RCNN[4]和SSD[6]对比，实验结果如表1 所示。图3 为本文算法在RF_dataset 数据集上的部分检测效果，红色检测框标定出烟雾区域。

表1 不同检测算法的测试结果

图3模型在RF_dataset 上的检测效果

由表1 可知，本文算法的检测精度mAP 为73.6%，较原始Tiny-YOLOv3 提高6.2% ；模型大小为25MB，较原始Tiny-YOLOv3 降低10MB。同时，本文算法在各个主流检测算法中精度最高、体积最小。这些优势的主要原因在于：深度可分离卷积可大幅度减少模型参数，缩小模型体积，并可保持精度不下降；通过加深Tiny-YOLOv3 的网络层数，使用更多的检测支路，使提取的烟雾特征更详细，检测精度得以提高。